Artificiële intelligentie is vandaag de dag een hot topic, maar het stopt niet bij toepassingen zoals ChatGPT. Sterker nog: hoe ga je om met AI in de Life Sciences?
Elisa Canzani, Data Science Lead bij Cognizant, neemt ons mee op reis om te laten zien dat AI geen one-size-fits-all oplossing is, zeker niet in de Life Sciences of andere wetenschappelijke disciplines. Samen met Cognizant verkennen we de valkuilen van AI in de Life Sciences en wat er nodig is voor een solide AI-basis.
Een divers aanbod aan LLM’s
Veel van de GenAI-tools van vandaag werken op basis van LLM’s (large language models). De kans is klein dat je als organisatie zelf een LLM ontwikkelt. Het is beter om te kijken naar een vooraf getraind model dat beschikbaar is voor (commercieel) gebruik en dat binnen jouw werkgebied past. OpenAI, Anthropic, Meta: het aanbod van modellen is uitgebreid. Bekijk hier de volledige lijst.
“Je ziet de afkorting LLM overal, maar het is niet altijd de beste keuze voor GenAI-toepassingen. Een Small Language Model (SLM) is vaak een interessante optie om zelf fijn af te stemmen,” zegt Canzani. “Ze zijn zeer betrouwbaar, efficiënt en toegankelijk voor specifieke taken.”
Kies een (L)LM en begin met aanpassen
Een populaire methode om een LLM aan te passen is prompt engineering. “De systeemprompt is de gangbare manier om gedrag op te leggen”, en zorgt ervoor dat instructies worden gebruikt bij het genereren van de gewenste output om gebruikersvragen te beantwoorden.
Hoewel prompts effectief zijn, zijn ze beperkt in de hoeveelheid instructies die kunnen worden gegeven. Een zeer krachtige manier om aanpassingen door te voeren is Retrieval-Augmented Generation (RAG). Dit combineert het model met een externe kennisdatabase. “Wanneer een gebruiker een vraag stelt, doorzoekt het model de database naar relevante informatie en verwerkt deze samen met de vraag om een nauwkeuriger en specifieker antwoord te geven.” Een belangrijke verbetering hierin is Graph RAG, dat grafiek-gebaseerde methoden gebruikt om de zoekopdracht te optimaliseren,” zegt Canzani. Dit is cruciaal voor sectoren waar precisie en contextuele relevantie essentieel zijn, zoals supply chain management of productontwikkeling.
LLM’s kunnen ook worden gefinetuned. Dit voegt geen kennis toe, maar introduceert nieuwe taalpatronen, bijvoorbeeld domeinspecifieke terminologie voor de gezondheidszorg of logistiek. Canzani benadrukt echter dat “fijn-afstemming een delicate taak is, omdat we de gewichten van ons model wijzigen, wat kan leiden tot wat we ‘catastrofale vergeetachtigheid’ noemen.”
Canzani: “Deze methoden maken het mogelijk om de kracht van een LLM te benutten, zolang er een observability-framework aanwezig is dat organisaties in staat stelt controle te behouden over de relevantie, betrouwbaarheid en nauwkeurigheid van de gegenereerde informatie.”
Je ziet de afkorting LLM overal, maar het is niet altijd de beste keuze voor GenAI-toepassingen.
Elisa Canzani, Data Science Lead Cognizant
Hybride AI als basis voor betere beslissingen
LLM’s kunnen indrukwekkende resultaten leveren, maar hebben beperkingen op het gebied van domeinspecifieke kennis en logische gevolgtrekking. Hybride systemen combineren de sterke punten van generatieve AI met klassieke AI-technieken, zoals Bayesian Networks voor causale inferentie. “Deze combinatie maakt het mogelijk om niet alleen vragen te beantwoorden of gegevens te genereren, maar ook diepgaande inzichten te geven in oorzaak-gevolgrelaties. Denk bijvoorbeeld aan problemen in productieprocessen of kwaliteitscontrole.”
Een belangrijk element van hybride systemen is het concept van agentische oplossingen, waarbij complexe taken worden opgedeeld in kleinere, beter beheersbare subtaken. Deze subtaken worden gedelegeerd aan gespecialiseerde agents, zoals een SQL-assistent voor informatieopvraging of een root cause analysis-agent die de oorzaak identificeert van bijvoorbeeld een knelpunt in de supply chain dat de doorlooptijd drastisch verlengt.
“Zo’n agentisch systeem werkt als een netwerk van samenwerkende experts, waardoor zeer specifieke vragen met nauwkeurige, contextuele informatie kunnen worden beantwoord,” zegt Canzani. “Dit is vooral nuttig in sectoren zoals supply chain management, waar meerdere variabelen en afhankelijkheden de uiteindelijke resultaten beïnvloeden.”
Een ander belangrijk aspect van hybride systemen is de integratie van menselijke feedback. Hoewel agents en AI-modellen veel taken zelfstandig kunnen uitvoeren, blijft menselijke expertise cruciaal voor taken die een hoge mate van interpretatie of ethische overwegingen vereisen. Bovendien leren agentische systemen voortdurend van gebruikersinteracties en worden ze steeds beter in het leveren van op maat gemaakte oplossingen.
Een cognitief framework dat structuur biedt
Cognizant’s cognitieve framework voor verantwoorde GenAI-ontwikkeling biedt een gestructureerde aanpak voor het bouwen en implementeren van AI-oplossingen binnen een zakelijke context. Het framework moedigt een iteratieve benadering aan. Het proces begint met het in kaart brengen van de gebruikersreis en gewenste functionaliteiten, waarna de AI-oplossingen continu worden getest, aangepast en opgeschaald op basis van nieuwe gebruikersinzichten en veranderende zakelijke behoeften.
De ontwikkelfase van het framework bestaat uit vier lagen:
- De interactielaag – verzamelt gebruikersinput
- De generatieve laag – verwerkt en genereert output
- De computationele laag – voert berekeningen en logische redeneringen uit
- De informatielaag – haalt relevante gegevens op
Een van de unieke aspecten van dit framework is de dynamische contextcuratie. De informatielaag moet continu worden bijgewerkt met de meest actuele en relevante gegevens, zodat beslissingen gebaseerd zijn op accurate en up-to-date informatie.
Bovendien stelt het framework het LLM in staat om ook sub-taken te delegeren aan klassieke AI- of andere expert-systemen. Het resultaat: meer betrouwbaarheid, precisie en efficiëntie, vooral in sectoren zoals farmaceutische productie of supply chain management.
Een extra laag die over alle andere heen loopt, is de observability-laag. Canzani: “Geen enkel AI-systeem kan naar productie gaan zonder een degelijk prestatiemonitoringssysteem.”
Dit framework maakt Cognizant’s GenAI-oplossing uniek. Het werd bedacht door het BeNeLux-team en won de eerste prijs in de Cognizant Global Bluebolt GenAI Ideation Challenge, waar meer dan 3000 ideeën werden ingediend. Wie zich verder wil verdiepen in de mogelijkheden, kan deze video raadplegen.
Praktische voorbeelden van GenAI
Theorie is belangrijk, maar GenAI in de praktijk gebruiken is nog belangrijker. Tijdens haar presentatie wijst Canzani op unieke kansen om processen in de Life Sciences en de maakindustrie te transformeren en te versnellen. Enkele voorbeelden:
- Ontdekking van nieuwe medicijnen door synthetische data te genereren, wat helpt bij het modelleren van complexe bioprocessen en de technologieoverdracht van R&D naar productie versnelt.
- Ontwerpen van moleculen, RNA-sequenties en eiwitstructuren, essentieel voor farmaceutisch onderzoek. GenAI verkort aanzienlijk de tijd voor onderzoek en klinische proeven, waardoor sneller oplossingen voor gezondheidsproblemen kunnen worden ontwikkeld.
- Optimalisatie van productieprocessen en kwaliteitscontrole in de maakindustrie met digitale tweelingen en agentische AI.
- AI-gebaseerde assistenten voor SOP’s (Standard Operating Procedures), die operators begeleiden bij complexe taken en naleving van strikte regelgeving waarborgen.
Met de complexiteit van supply chains in de Life Sciences kan GenAI krachtige oplossingen bieden voor uitdagingen zoals vertragingen en inefficiënties. Canzani laat zien hoe een multi-agent oplossing supply chain-inzichten kan verschaffen, de totale doorlooptijd kan analyseren en het juiste transportmiddel kan adviseren om kosten en levertijden te balanceren.
GenAI: meer dan een hype of buzzwoord
“GenAI wordt vaak in één adem genoemd met bias, hallucinaties en privacyrisico’s. Deze zorgen moeten worden aangepakt met solide cognitieve frameworks, transparantie en ethische richtlijnen zoals de EU AI Act,” zegt Canzani.
GenAI is geen hype, maar een fundamentele technologie die processen transformeert, nieuwe inzichten biedt en duurzame groei stimuleert. De toekomst ligt in de combinatie van AI’s technische kracht met menselijke expertise om innovatieve en verantwoorde oplossingen te bouwen.
Dit is een redactionele bijdrage in samenwerking met Cognizant. Meer informatie over hun specifieke GenAI-toepassingen binnen Life Sciences vind je hier.